PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.00455v2stat.ME

예측 베이즈 추론에서의 집중 및 캘리브레이션

Concentration and Calibration in Predictive Bayesian Inference

예측 베이즈 추론(Predictive Bayesian inference, PBI)은 표준 베이즈 추론(Bayesian inference)에 대한 모델 및 사전확률에 구애받지 않는(model- and prior-agnostic) 접근법으로, 관측되지 않은 미래 데이터에 대한 전방 예측 모델(forward predictive model)만을 지정함으로써 사용자가 관심 있는 범함수(functional)에 대한 불확실성을 정량화할 수 있게 해줍니다. 이러한 프레임워크의 유연성과 범용성 덕분에 이 접근법을 구현하기 위한 수많은 새로운 알고리즘과 다양한 실증적 응용이 등장했지만, 관심 대상인 기저의 통계적 범함수에 대해 도출된 추론 결과의 신뢰성은 여전히 불분명합니다. 본 논문에서는 관심 대상인 모집단 범함수에 대해 PBI를 적용할 때, 도출되는 사후분포가 해당 방법의 기반이 되는 예측 재귀(predictive recursion)를 구현하는 데 사용된 전방 예측 모델에 명시적으로 의존하는 잘 정의된 양으로 집중(concentrate)됨을 증명합니다. 나아가, 전방 예측 모델은 PBI에서 생성되는 불확실성 정량화를 전적으로 결정합니다. 결과적으로 우리의 연구 결과는 예측 모델이 데이터의 모든 관련 특징을 포착하지 못할 경우, 매우 단순한 예시에서조차 관심 범함수의 모집단 값에 대한 예측 베이즈 신뢰 구간(credible sets)의 커버리지가 0에 임의로 가까워질 수 있음을 보여줍니다. 우리는 이러한 현상이 발생하는 이유를 면밀히 설명하며, 이 동작이 PBI 프레임워크 내에서 미래 관측값을 생성하는 데 사용된 전방 예측 모델의 부정확성과 직접적으로 연결되어 있음을 밝힙니다. 결론적으로, 우리의 연구 결과는 PBI가 캘리브레이션된 사후 추론을 제공하기 위해서는 사후 샘플을 생성하는 데 사용되는 예측 엔진이 잘 정의된 의미에서 참 데이터 생성 과정(DGP)을 포함해야 하며, 그렇지 않으면 이 프레임워크 하에서 생성된 추론은 캘리브레이션되지 않음을 시사합니다.